基于堆叠极限学习机的卫星云图分类研究

摘要

气象卫星能够对地球进行全方位的观测，从而获得蕴含着丰富的气象信息的卫星云图，利用卫星云图可以识别不同天气系统，为天气分析与预报以及灾害监测提供有力的依据。然而，目前对卫星云图进行探究与分析时，大多数情况下使用的还是人工目视判读的方法，其不仅参杂了人们的主观意识，而且阻碍了充分提取与最大化应用卫星云图的丰富信息，因此实现卫星云图的计算机自动分类是目前卫星云图信息处理的一大研究方向。在卫星云图自动分类过程中，其训练数据庞大且复杂，训练时需要占用很大内存，若利用传统的ELM算法来完成数据的训练，很容易因为内存不足而导致整个程序崩溃。
　　基于此，本文研究了堆叠极限学习机（S-ELMs），并创新性将它运用于卫星云图自动分类中。S-ELMs近似于将一个大的极限学习机（ELM）划分为若干个小的串联的ELM，其在内存需求小且网络规模固定的情况下，还能在高维的ELM空间中学习数据，很好地解决了当下云图处理中大型且复杂数据问题。本文还创新性地引入卫星云图的纹理特征，分别以单纯的光谱特征构成一种训练文本，以光谱特征和纹理特征的结合构成另一种训练文本。基于这两种训练文本，进行了S-ELMs的卫星云图分类，验证了S-ELMs算法在卫星云图分类中的有效性；以及进行了S-ELMs和ELM、S-ELMs和支持向量机（SVM）的对比实验，分析同一训练文本不同算法的分类优势以及不同训练文本同一算法的分类优势，从而更好地研究了S-ELMs在卫星云图分类中的优缺点，以及分析了纹理特征的引入对分类效果的影响。
　　结果表明：S-ELMs能够有效地应用在卫星云图分类，与ELM和SVM两种算法对比，S-ELMs在内存需求上有明显优势，解决了训练数据庞大而复杂的问题，且提高了泛化能力。S-ELMs较SVM在学习速度上也有明显优势，但S-ELMs较SVM分类精度要低；在分类精度相等的情况下S-ELMs和ELM在学习速度上没有什么区别，在牺牲时间成本的基础上，S-ELMs较ELM的分类效果有所改善，同时纹理特征的引入能够提高算法对训练样本特征向量的敏感度，区分出单纯利用光谱特征所不可能分辨出的地物，从而提高了实验的整体分类精度。

目录

封面

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景和意义

1.2 气象卫星和卫星云图

1.3 论文的主要内容

第2章 FY-2C卫星资料和云图分类理论

2.1 FY-2C卫星资料介绍

2.2 卫星云图分析的特征判据

2.3 卫星云图上各类云的特征

2.4 卫星云图计算机自动分类的一般步骤

2.4 本章小结

第3章 卫星云图的特征及其提取技术

3.1 卫星云图的图像特征

3.2 光谱特征和纹理特征

3.3 光谱特征和纹理特征提取技术

3.4 本章小结

第4章 堆叠极限学习机的卫星云图分类

4.1 PCA 降维

4.2 极限学习机（ELM）的原理

4.3 堆叠极限学习机（S-ELMs）算法与参数选择

4.4 S-ELMs实验结果与分析

4.5 S-ELMs和ELM的对比实验

4.6 本章小结

第5章 支持向量机的卫星云图分类

5.1 支持向量机的原理

5.2 支持向量机模型选择

5.3 SVM的实验结果与分析

5.4 S-ELMs和SVM的分类结果对比与分析

5.5 本章小结

第6章 总结与展望

6.1 总结

6.2 展望

参考文献

发表论文及参加科研情况说明

致谢

声明